Can Impairment Recognition under IAS 36 Be Improved by Financial Performance?
Notice bibliographique
Résumé
<p>The study seeks first to examine how companies implement impairment test as required by IAS 36.Secondly, to explore and evaluate factors which may explain the effect of specific financial indicators on impairment loss. Quantitative analysis of a panel data sample of (30) companies listed on the Amman Stock Exchange (ASE) over 2005-2008 was carried out. Despite the fact that sample of companies listed on the ASE supposed to implement IAS36; only (41.10%) of the sample recorded an impairment recognition loss (30 out of 73). We find that impairment loss ratio showed fluctuated trends. We also find that probability of an impairment loss is positively affected by company size (SIZE) and operating cash flows (OCF). Research also reported a positive significant relationship between financial leverage (LEV), return on assets (ROA) and return on equity (ROE) .This can be explained by most public companies utilize financial leverage heavily to increase (ROA) and (ROE). We confirm insignificant statistical positive relationship between profitability measured by (ROA) and impairment loss recognition (IMP). Other controlling variables such as LEV; has a negatively insignificant relationship with IMP. This paper introduces necessary background and fundamentals to understand current practice of impairment recognition in Jordan. To urge Companies to use high standards of accounting quality in their financial statements according to IASs, this presentation would attract investors’ attention and would further reinforce the credibility of their financial statements.</p>
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».